đồ án tốt nghiệp công nghệ thông tin bài toán khai thác thông tin về sản phẩm từ web

Đồ án tốt nghiệp Trƣờng ĐHDL Hải Phòng
Nguyễn Văn Huy – CT1301 1
MỤC LỤC
MỤC LỤC 1
DANH SÁCH CÁC HÌNH 3
GIỚI THIỆU 6
CHƢƠNG 1: CƠ SỞ LÝ THUYẾT 8
1.1CÁC KHÁI NIỆM CƠ BẢN 8
1.2 KHÁM PHÁ TRI THỨC TRONG CƠ SỞ DỮ LIỆU 9
1.3 CÁC KỸ THUẬT ÁP DỤNG TRONG KHAI PHÁ DỮ LIỆU 11
1.3.1 Các kỹ thuật tiếp cận trong Khai phá dữ liệu 11
1.3.2 Các dạng dữ liệu có thể khai phá 12
1.4TÌM KIẾM THÔNG TIN TRÊN INTERNET 12
1.5 PHÂN LOẠI THÔNG TIN TÌM KIẾM 15
1.6TỔ CHỨC LƢU TRỮ THÔNG TIN TÌM KIẾM 17
1.7XỬ LÝ THÔNG TIN 17
CHƢƠNG 2: KHAI PHÁ VÀ TỔNG HỢP DỮ LIỆU 19
2.1 PHÂN CỤM DỮ LIỆU 19
2.2 CÁC ỨNG DỤNG CỦA PHÂN CỤM DỮ LIỆU 20
2.3 CÁC KIỂU DỮ LIỆU VÀ ĐỘ ĐO TƢƠNG TỰ 21
2.3.1 Phân loại các kiểu dữ liệu dựa trên kích thƣớc miền 21
2.3.2 Phân loại các kiểu dữ liệu dựa trên hệ đo 21
2.4 CÁC YÊU CẦU CẦN THIẾT CHO TẠO DỤNG KỸ THUẬT PCDL 22
2.5 MỘT SỐ THUẬT TOÁN PHÂN CỤM DỮ LIỆU ĐIỂN HÌNH 24
2.5.1 Họ các thuật toán phân hoạch 24
2.5.2 Các thuật toán phân cụm phân cấp 28
2.5.3 Các thuật toán phân cụm dựa trên mật độ 31
CHƢƠNG 3: HỆ THỐNG ĐÁNH GIÁ THÔNG TIN SẢN PHẨM 35
3.1 Phát biểu bài toán 35
3.2 Xác định mô hình nghiệp vụ 36
3.2.1 Các chức năng nghiệp vụ 36

3.2.2 Biểu đồ Use Case tổng quan 37
3.2.3 Mô tả khái quát các hệ con 38
3.2.4 Các mô hình ca sử dụng chi tiết 39
3.3 Phân tích hệ thống 43
3.3.2 Phân tích gói ca sử dụng “Cập nhật các danh mục” 43
3.3.3 Phân tích gói ca sử dụng “Tìm kiếm” 49
3.3.4 Phân tích gói ca sử dụng “Báo cáo” 51
3.4 Thiết kế hệ thống 52
3.5 Thiết kế chƣơng trình 53
3.5.1 Giao diện chính của chƣơng trình 53
3.5.2 Giao diện cập nhật sản phẩm 53
3.5.3 Giao diện cập nhật loại sản phẩm 54
3.5.4 Giao diện cập nhật nhóm sản phẩm 55
3.5.5 Giao diện tìm kiếm thông tin sản phẩm 56
3.5.6 Kết quả của chƣơng trình minh họa 56
KẾT LUẬN 57
Đồ án tốt nghiệp Trƣờng ĐHDL Hải Phòng
Nguyễn Văn Huy – CT1301 2
TÀI LIỆU THAM KHẢO 58

Đồ án tốt nghiệp Trƣờng ĐHDL Hải Phòng
Nguyễn Văn Huy – CT1301 3
DANH SÁCH CÁC HÌNH
Hình 1.1:Các bƣớc thực hiện trong quá trình khám phá tri thức 10
Hình 1.2 Các lĩnh vực liên quan đến Khám phá tri thức trong CSDL 11
Hình 1.3: Sơ đồ khối Khối truy vấn 13
Hình1.4: Sơ đồ khối Đánh chỉ mục 14
Hình2.1:Hình minh họa phân cụm dữ liệu 19
Hình2.2: Hình dạng cụm dữ liệu khám phá đƣợc bởi k-means 25
Hình 2.3:Cây CF đƣợc sử dụng bởi thuật toán BIRCH 28

Hình 2.4:Các cụm dữ liệu đƣợc khám phá bởi CURE 30
Hình 2.5: Hình minh họa phân cụm OPTICS 33
Hình 2.6:Hình minh họa DENCLUE với hàm phân phối Gaussian 34
Hình 3.1: Biểu đồ Use Case tổng quan 37
Hình 3.2: Biểu đồ ca sử dụng gói “Cập nhật” 39
Hình 3.3: Biểu đồ ca sử dụng gói “Tìm kiếm” 39
Hình 3.4: Biểu đồ ca sử dụng gói “Báo cáo” 41
Hình 3.5: Biểu đồ tuần tự thực thi ca sử dụng “Cập nhật nhóm sản phẩm” 44
Hình 3.6: Biểu đồ cộng tác thực thi ca sử dụng “Cập nhật nhóm sản phẩm” 44
Hình 3.7: Biểu đồ tuần tự thực thi ca sử dụng “Cập nhật loạisản phẩm” 45
Hình 3.8: Biểu đồ cộng tác thực thi ca sử dụng “Cập nhật loạisản phẩm” 45
Hình 3.9: Biểu đồ tuần tự thực thi ca sử dụng “Cập nhật sản phẩm” 46
Hình 3.10: Biểu đồ cộng tác thực thi ca sử dụng “Cập nhật sản phẩm” 46
Hình 3.11: Biểu đồ tuần tự thực thi ca sử dụng “Cập nhật Search Engine” 47
Hình 3.12: Biểu đồ cộng tác thực thi ca sử dụng “Cập nhật Search Engine” 47
Hình 3.13: Biểu đồ tuần tự thực thi ca sử dụng “Cập nhật thông số tìm kiếm” 48
Hình 3.14: Biểu đồ cộng tác thực thi ca sử dụng “Cập nhật thông số tìm kiếm” 48
Hình 3.15: Mô hình phân tích gói ca “Cập nhật” 49
Hình 3.16: Biểu đồ tuần tự thực thi ca sử dụng “Tìm kiếm” 49
Hình 3.17: Biểu đồ cộng tác thực thi ca sử dụng “Tìm kiếm” 50
Hình 3.18: Mô hình phân tích gói ca”Tìm kiếm” 50
Hình 3.19: Biểu đồ tuần tự thực thi ca sử dụng “Lập báo cáo” 51
Hình 3.20: Biểu đồ cộng tác thực thi ca sử dụng “Báo cáo” 51
Hình 3.21: Mô hình phân tích gói ca”Báo cáo” 51
Hình 3.22: Mô hình lớp thiết kế hệ thống 52
Hình 3.23 Giao diện chính của chƣơng trình 53
Hình 3.24: Giao diện cập nhật sản phẩm 53
Hình 3.25: Giao diện cập nhật loại sản phẩm 54
Hình 3.26: Giao diện cập nhật nhóm sản phẩm 55
Đồ án tốt nghiệp Trƣờng ĐHDL Hải Phòng

Nguyễn Văn Huy – CT1301 4
Hình 3.27: Giao diện tìm kiếm thông tin sản phẩm 56
Đồ án tốt nghiệp Trƣờng ĐHDL Hải Phòng
Nguyễn Văn Huy – CT1301 5
DANH SÁCH BẢNG BIỂU
Bảng 3.1: Bảng xác định các chức năng nghiệp vụ của hệ thống 36
Bảng 3.2: Bảng xác định tác nhân của hệ thống 37
Bảng 3.3: Bảng mô tả các ca sử dụng và tác nhân 38
Bảng 3.4: Bảng mô tả ca sử dụng cập nhật nhóm sản phẩm 39
Bảng 3.5: Bảng mô tả ca sử dụng cập nhật loại sản phẩm 40
Bảng 3.6: Bảng mô tả ca sử dụng cập nhật sản phẩm 40
Bảng 3.7: Bảng mô tả ca sử dụng câp nhật Search Engine 41
Bảng 3.8: Bảng mô tả ca sử dụng cập nhật thông số tìm kiếm 41
Bảng 3.9: Bảng mô tả ca sử dụng tìm kiếm 42
Bảng 3.10: Bảng mô tả ca sử dụng báo cáo 43

Đồ án tốt nghiệp Trƣờng ĐHDL Hải Phòng
Nguyễn Văn Huy – CT1301 6
GIỚI THIỆU
Web là kho tài nguyên dữ liệu khổng lồ, không ngừng tăng trƣởng với tốc độ
cao. Ngày càng nhiều thông tin trong cuộc sống đƣợc đƣa lên Internet. Trong đó,
Internet chứa nhiều thông tin có giá trị liên quan đến cộng đồng nói chung, và các
hoạt động sản xuất kinh doanh nói riêng.Xuất phát từ thực tế đó, vậy có phƣơng
pháp nào? Chúng ta có thể khai thác thông tin từ Internet để phục vụ cuộc sống.
Hiện nay có nhiều công trình nghiên cứu các phƣơng pháp khai thác thông tin từ
Internet.
Xuất phát từ bài toán thực tế trong hoạt động kinh doanh thƣơng mại, liệu có
phƣơng pháp nào đánh giá thông tin về sản phẩm thông qua các nhận xét của ngƣời
dùng trên Internet? Đây là một bài toán khó cần kết hợp nhiều kiến thức để giải
quyết bài toán này. Do đó em chọn đề tài: “Bài toán khai thác thông tin về sản

phẩm từ Web”.Khóa luận tập trung tìm hiểu các lý thuyết liên quan nhằm phần nào
giải quyết đƣợc vấn đề đặt ra.
Một hệ thống tổng hợp thông tin từ Internet cho phép ngƣời dùng đƣa vào các
thông tin cần đánh giá về sản phẩm đƣợc quan tâm. Sau đó, hệ thống đƣa đƣợc ra
các thông tin liên quan đến sản phẩm để có thể hỗ trợ các doanh nghiệp có thêm
một kênh thông tin về các sản phẩm trên thị trƣờng. Hệ thống đƣợc mô tả nhƣ sau:
1. Nhập thông tin sản phẩm:Ngƣời dùng nhập các thuật ngữ về thông tin sản
phẩm vào ô thông tin sản phẩm cần đánh giá. Hệ thống trả về các thông tin sản
phẩm mà hệ thống khai thác, phân loại, thống kê đƣợc thông qua máy tìm kiếm
2. Tìm kiếm thông tin:Hệ thống dựa vào các thông tin sản phẩm đƣợc nhập
vào và gửi vào máy tìm kiếm để tìm các Ý kiến người dùng sản phẩmhoặc Xu
hướng.
3. Hỗ trợ đánh giá:Kết quả trả về từ máy tìm kiếm đƣợc đem phân loại, thống
kê các thông tin cần thiết về sản phẩm nhằm đánh giá cảm nhận của người tiêu dùng
đối với sản phẩm đƣợc đƣa vào đánh giá.
4. Báo cáo:Hệ thống đƣa ra các bản báo cáo về ý kiến của ngƣời sử dụng sản
phẩm bằng các số liệu theo chuyên môn.
Đồ án tốt nghiệp Trƣờng ĐHDL Hải Phòng
Nguyễn Văn Huy – CT1301 7
5. Giao diện hệ thống:Hệ thống có giao diện thân thiện, thuận lợi cho ngƣời
dùng và ngƣời quản lý.
Qua cách đặt vấn đề trên, khóa luận được trình bày như sau:
Giới thiệu: Giới thiệu chung về bài toán và phạm vi của khóa luận.
Chƣơng 1:Trình bày cơ sở lý thuyết để thục hiện khóa luận.
Chƣơng 2:Trình bày các kiến thức liên quan đến bài toán tìm kiếm thông tin trên
Internet dùng để trợ giúp các hoạt động trong kinh doanh.
Chƣơng 3:Trình bày phần phân tích thiết kế một ứng dụng mang tính chất thử
nghiệm.
Kết luận
Tài liệu tham khảo

Đồ án tốt nghiệp Trƣờng ĐHDL Hải Phòng
Nguyễn Văn Huy – CT1301 8
CHƢƠNG 1: CƠ SỞ LÝ THUYẾT
1.1CÁC KHÁI NIỆM CƠ BẢN
Khai phá dữ liệu là một hƣớng nghiên ra đời hơn một thập niên trở lại đây.Các
kỹ thuật chính đƣợc áp dụng trong lĩnh vực này phần lớn đƣợc thừa kế từ lĩnh vực
Cơ sở dữ liệu,học máy, trí tuệ nhân tạo, lý thuyết thông tin, xác suất thống kê, và
tính toán hiệu năng cao. Do sự phát triển nhanh của Khai phá dữ liệu về phạm vi áp
dụng và các phƣơng pháp tìm kiếm tri thức, nên đã có nhiều quan điểm khác nhau
về Khai phá dữ liệu. Tuy nhiên, ở một mức trừu tƣợng nhất định, theo [1] khái niệm
Khai phá dữ liệu nhƣ sau:
“Khai phá dữ liệu là một quá trình tìm kiếm, phân tích, phát hiện
các tri thức mới, tiềm ẩn, hữu dụng trong các cơ sở dữ liệu lớn.”
Trong lĩnh vực khai phá dữ liệu, có nhiều hƣớng nghiên cứu đƣợc đƣa ra trong
đó có một số hƣớng chính đƣợc nhiều nhà nghiên cứu quan tâm.
Khai phá dữ liệu văn bản,Web, Trích chọn thông tin, Phân tích mạng xã hội,
khai phá quan điểm, Phân tích dữ liệu kinh tế - tài chính, Khai phá dữ liệu sinh học,
y tế,…
Khóa luận này hƣớng đến việc tìm hiểu và xây dựng hệ thống thống nhằm
khai thác thông tin các sản phẩm mà ngƣời tiêu dùng đã đánh giá trên Internet, cụ
thể là các trang web. Ngƣời tiêu dùng có mua, sử dụng các sản phẩm và họ đã có
cảm nhận và suy nghĩ về sản phẩm đó. Đôi lúc họ đƣa những cảm nhận về sản
phẩm nào đó lên các trang web cá nhân, các diễn đàn, … trên Internet. Bài toán mà
khóa luận này tìm cách giải quyết là tìm cách khai thác các thông tin về một sản
phẩm cụ thể nào đó trên Internet, thống kê để phục vụ cho công tác khảo sát và
đánh giá sản phẩm trên thị trƣờng. Sau đây là một số khái niệm đƣợc sử dụng.
Thông tin sản phẩm: Là thông tin mô tả về nguồn gốc, tính năng kỹ thuật,
tính chất lý hóa tính, công dụng chính, giá thành, màu sắc, hình dáng, kích thƣớc,
… của sản phẩm.

Đồ án tốt nghiệp Trƣờng ĐHDL Hải Phòng
Nguyễn Văn Huy – CT1301 9
Ý kiến ngƣời dùng sản phẩm: Là các thông tin ngƣời dùng phản ánh về sản
phẩm đƣợc thể hiện qua các từ đánh giá về ƣu điểm nhƣ: Tốt, thuận tiện, tiết kiệm,
bền, rẻ, đẹp, phong phú, đa dạng, mƣợt mà, mịn, … hoặc đƣợc đánh giá nhƣợc
điểm: Xấu, kém, mau hỏng, hàng giả, hàng nhái, … hoặc đƣợc thể hiện mong muốn
về sản phẩm qua các từ nhƣ: giá nhƣ, giá mà, cần, phải, để tốt hơn, …
Xu hƣớng: Là các từ liên quan đến các mong muốn của ngƣời dùng về sản
phẩm. Đƣợc chi thành xu hƣớng tốt hoặc xấu hoặc không thiện cảm.
+ Xu hƣớng tốt: Xu hƣớng đánh giá thông tin sản phẩm tốt
+ Xu hƣớng xấu: Xu hƣớng đánh giá thông tin sản phẩm xấu
+ Xu hƣớng không thiện cảm: Xu hƣớng không khen, không chê sản phẩm.
Ngƣời tiêu dùng: Là ngƣời mua hoặc ngƣời sử dụng sản phẩm hoặc ngƣời có
ý định mua hay sử dụng sản phẩm có gửi thông tin lên Internet.
Ngƣời dùng: Ngƣời có tƣơng tác với hệ thống.
Ngƣời quản trị: Ngƣời có nhiệm vụ quản lý hệ thống.
Máy tìm kiếm:Các cỗ máy tìm kiếm thông tin trên Internet: Google, Yahoo,
Bing, …
Sản phẩm: Là tất cả các mặt hàng đang đƣợc tiêu thụ trên thị trƣờng bao gồm
thị trƣờng trong nƣớc và nƣớc ngoài.
1.2 KHÁM PHÁ TRI THỨC TRONG CƠ SỞ DỮ LIỆU
Khai phá dữ liệu là lĩnh vực có liên quan đến nhiều ngành khác nhau nhƣ:
thống kê, học máy, tính toán phân tán,cơ sở dữ liệu, thuật toán, mô hình hóa dữ
liệu,…
Mục tiêu của khai phá dữ liệu là khám phá tri thức từ đó dùng hỗ trợ ra quyết
định, trong lĩnh vực hẹp này có thể đƣợc chia thành một số giai đoạn [3][4]:
 Trích chọn dữ liệu: bƣớc này trích những bộ dữ liệu cần đƣợc khám
phá từ các hệ thống dữ liệu (databases, data warehouses, data
repositories) ban đầu theo một số tiêu chí nhất định.
Đồ án tốt nghiệp Trƣờng ĐHDL Hải Phòng

Nguyễn Văn Huy – CT1301 10
 Tiền xử lý dữ liệu:Bƣớc này làm sạch dữ liệu (xử lý những dữ liệu dƣ
thừa, nhiễu, .v.v.), rút gọn dữ liệu (áp dụng các thuật toán lấy mẫu,
.v.v.), rời rạc hóa dữ liệu. Kết quả là dữ liệu sẽ nhất quán, đầy đủ, đƣợc
rút gọn, và đƣợc rời rạc hóa.
 Biến đổi dữ liệu:Đây là bƣớc chuẩn hóa dữ liệu, tinh chỉnh dữ liệu để
đƣa dữ liệu về dạng chuẩn để giúp kỹ thuật khai phá dữ liệu ở bƣớc
sau.
 Khai phá dữ liệu: Áp dụng những kỹ thuật phân tích nhằm để trích
chọn thông tin, những mối liên hệ đặc biệt của dữ liệu. Bƣớc này rất
quan trọng và cần nhiều tài nguyên nhất của toàn bộ quá trình khai phá
trin thức.
 Đánh giá và biểu diễn tri thức: Các mẫu tin và quan hệ giữa chúng đã
đƣợc rút trích ở bƣớc trên đƣợc mã hóa và biểu diễn theo dạng dễ quan
sát nhƣ đồ thị, cây, bảng biểu, luật, .v.v. Bƣớc này cung cấp thông tin
cho các nhà quản trị ra quyết định.
Các giai đoạn trong KDD đƣợc thể hiện trực quan nhƣ hình 1 dƣới đây:

Hình 1.1:Các bước thực hiện trong quá trình khám phá tri thức

Đồ án tốt nghiệp Trƣờng ĐHDL Hải Phòng
Nguyễn Văn Huy – CT1301 11
1.3 CÁC KỸ THUẬT ÁP DỤNG TRONG KHAI PHÁ DỮ LIỆU
1.3.1 Các kỹ thuật tiếp cận trong Khai phá dữ liệu
Khai phá tri thức là một lĩnh vực liên ngành, bao gồm: Tổ chức dữ liệu, học
máy, trí tuệ nhân tạo và các khoa học khác, sự kết hợp này có thể đƣợc diễn tả nhƣ
trong hình 1.2 dƣới đây:


Hình 1.2 Các lĩnh vực liên quan đến Khám phá tri thức trong CSDL

Dựa trên quan điểm của học máy thì các kỹ thuật trong Khai phá dữ liệu,
bao gồm:
 Học có giám sát: Là quá trình gán nhãn lớp cho các phần tử trong
CSDL dựa trên một tập các ví dụ huấn luyện và các thông tin về nhãn
lớp đã biết.
 Học không có giám sát: Là quá trình phân chia một tập dữ liệu thành
các lớp hay là cụm (clustering) dữ liệu tƣơng tự nhau mà chƣa biết
trƣớc các thông tin về lớp hay tập các ví dụ huấn luyện.
 Học nửa giám sát: Là quá trình phân chia một tập dữ liệu thành các
lớp dựa trên một tập nhỏ các ví dụ huấn luyện và một số các thông tin
về một số nhãn lớp đã biết trƣớc.
Theo lớp các bài toán cần giải quyết, thì Khai phá dữ liệu bao gồm các kỹ
thuật áp dụng sau:
 Phân lớp và dự đoán(classification and prediction): xếp một đối tƣợng
vào một trong những lớp đã biết trƣớc. Ví dụ: phân lớp các bệnh nhân dữ
liệu trong hồ sơ bệnh án. Hƣớng tiếp cận này thƣờng sử dụng một số kỹ
thuật của học máy nhƣ cây quyết định (decision tree), mạng nơ ron nhân
Đồ án tốt nghiệp Trƣờng ĐHDL Hải Phòng
Nguyễn Văn Huy – CT1301 12
tạo (neural network), .v.v. Phân lớp và dự đoán còn đƣợc gọi là học có
giám sát.
 Luật kết hợp (association rules): là dạng luật biểu diễn tri thứ ở dạng khá
đơn giản. Ví dụ: “60 % nữ giới vào siêu thị nếu phấn thì có tới 80%
trong số họ sẽ mua thêm son”. Luật kết hợp đƣợc ứng dụng nhiều trong
lĩnh vực kinh doanh, y học, tin-sinh, tài chính và thị trƣờng chứng khoán,
.v.v.
 Phân tích chuỗi theo thời gian (sequential/ temporal patterns): tƣơng tự
nhƣ khai phá luật kết hợp nhƣng có thêm tính thứ tự và tính thời gian.
Hƣớng tiếp cận này đƣợc ứng dụng nhiều trong lĩnh vực tài chính và thị
trƣờng chứng khoán vì nó có tính dự báo cao.

 Phân cụm (clustering/ segmentation): xếp các đối tƣợng theo từng cụm
dữ liệu tự nhiên. Phân cụm còn đƣợc gọi là học không có giám sát (
unsupervised learning).
 Mô tả khái niệm (concept description and summarization): thiên về mô
tả, tổng hợp và tóm tắt khái niệm. Ví dụ: tóm tắt văn bản.
1.3.2 Các dạng dữ liệu có thể khai phá
Do Khai phá dữ liệu đƣợc ứng dụng rộng rãi trên nhiều lĩnh vực có thể làm
việc với rất nhiều kiểu dữ liệu khác nhau. Ví dụ: Cơ sở dữ liệuquan hệ, dữ liệu đa
chiều, Cơ sở dữ liệu quan hệ - hướng đối tượng, Cơ sở dữ liệu có thuộc tính không
gian và thời gian, Cơ sở dữ liệu chuỗi thời gian, Cơ sở dữ liệu đa phương tiện, …
1.4TÌM KIẾM THÔNG TIN TRÊN INTERNET
Theo [thụy1] máy tìm kiếm là một hệ thống phần mềm đƣợc xây dựng nhằm
tiếp nhận yêu cầu tìm kiếm của ngƣời dùng, sau đó phân tích yêu cầu này và tìm
kiếm thông tin trong cơ sở dữ liệu đƣợc tải xuống từ Internet và đƣa ra kết quả là
danh sách các trang Web lên quan với yêu cầu ngƣời dùng.
Về cơ bản, mọi kỹ thuật tập trung vào máy tìm kiếm (Searche engine). Hiện
nay trên thế giới có rất nhiều máy tìm kiếm, điển hình là Google, Bing, Yahoo,…,và
một số máy tìm kiếm có cách thực hiện rất đặc biệt không chỉ đƣa ra kết quả tìm
kiếm là các địa chỉ chứa thông tin mà tìm kiếm và tổng hợp tri thức nhƣ
Đồ án tốt nghiệp Trƣờng ĐHDL Hải Phòng
Nguyễn Văn Huy – CT1301 13
Wolframanpha, máytìm kiếm này còn biết cách trả lời các vấn đề mang tính chất
đặc thù chuyên ngành nhƣ toán học, lý, hóa, lịch sử, địa lý,…
Kiến trúc cơ bản của máy tìm kiếm gồm các khối nhƣ truy vấn dữ liệu, đánh
chỉ mục, phân loại dữ liệu….Nói chung, máy tìm kiếm thực hiện một số thao tác cơ
bản sau:
Bước 1: Phân tích các yêu cầu của người dùng, phân loại và đánh chỉ mục
các yêu cầu này, lưu vào hệ thống.
Bước 2:Các kết quả tìm kiếm cũng được phân tích, đánh chỉ mục và lưu vào
hệ thống.

Bước 3: Khi có yêu cầu tìm kiếm thông tin, máy tìm kiếm so khớp yêu cầu với
các yêu cầu đã có sẵn nếu phù hợp sẽ đưa kết quả ra luôn, nếu yêu
cầu này chưa có thì sẽ tìm thông tin rồi thao tác lại bước 1. Đối với
kết quả tìm kiếm mới sẽ bổ sung như bước 2.
Sau đây là sơ đồ kiến trúc chung của một số khối trong máy tìm kiếm [2].
Khối Truy vấn

Hình 1.3: Sơ đồ khối Khối truy vấn
Khối truy vấn nhận thông tin từ ngƣời dùng theo dạng văn bản. Từ đó phân
loại, xác định yêu cầu của câu truy vấn xem thuộc nhóm nào? Đánh giá và phân tích
câu. Tìm kiếm trong cơ sở dữ liệu chỉ mục rồi trả lại kết quả tìm kiếm cho ngƣời
dùng.
Đồ án tốt nghiệp Trƣờng ĐHDL Hải Phòng
Nguyễn Văn Huy – CT1301 14
Khối Đánh chỉ mục

Hình1.4: Sơ đồ khối Đánh chỉ mục
Trong khóa luận này máy tìm kiếm Google đƣợc sử dụng làm công cụ để lấy
thông tin. Do đó, phần sau sẽ khảo sát kỹ hơn về máy tìm kiếm của Google.
Tên gọi của máy tìm kiếm Google có nguồn gốc từ chữ “Googol”. Sau một
thời gian không lâu máy tìm kiếm này trở nên nổi tiếng vì đáp ứng tốt yêu cầu
ngƣời dùng. Google đã áp dụng những kỹ thuật tiên tiến để nâng cao khả năng sản
phẩm của họ nhƣ:
 Công nghệ crawling có tốc độ cao khi thu thập tài liệu và cập nhật chúng.
 Hệ thống lưu trữ không những lưu trữ chỉ số mà lưu trữ toàn bộ nội dung tài
liệu.
 Hệ thống đánh chỉ số hiệu quả khi làm việc trên hàng trăm tetrabyte dữ liệu.
 Câu hỏi cần được tiếp nhận và đáp úng nhanh theo cỡ hàng trăm nghìn câu
hỏi trong một giây.
Máy tìm kiếm này có một số đặc trƣng

- Boolean: việc cho phép ngầm định các phép toán logic(and, or, not, (),+,-) trong
câu hỏi tìm kiếm và thực hiện.
- Default:Phép toán logic được thi hành ngầm định.
- Proxymity:Thực hiện tìm theo cụm từ.
- Truncation: Tiến hành tìm kiếm theo từ gốc,cho phép có kí hiệu đại diện trong
câu hỏi.
Đồ án tốt nghiệp Trƣờng ĐHDL Hải Phòng
Nguyễn Văn Huy – CT1301 15
- Fields: Cho phép đặt tham số tìm kiếm theo một số trường theo tiêu đề, địa chỉ
URL, liên kết, miền/site, kiểu file,
- Limits: Cho phép đưa ra một số hạn chế về thời gian, lĩnh vực , nội dung, đa
phương tiện
- Stop(stop word): Cho phép loại bỏ từ dừng, một số trường hợp không tiến hành
tìm kiếm từ quá thông dụng.
- Sorting: Sắp xếp kết quả tìm kiếm theo độ liên quan, phân cụm theo địa chỉ web,
sắp theo thứ tự thời gian, kích thước.

1.5 PHÂN LOẠI THÔNG TIN TÌM KIẾM
Bài toán phâncụm thông tinlà một trong những bài toán quan trọng nhất trong
lĩnh vực khai phá dữ liệu. Phân cụm dữ liệu là dựa vào các mục tiêu tức là cụ thể
các tiêu chí phân cụm để tự động sinh ra các lớp(cụm) thông tin.
Khi áp dụng các thuật toán phân cụm dữ liệu nhằm mục đích quan trọng là
khai phácác cấu trúc của mẫu dữ liệu để từ đó tạo ra các cụm dữ liệu từ kho dữ liệu
gốc, theo đó, cho phép phân tích, nghiên cứu cho từng cụm dữ liệu để khám phá và
trích xuất các thông tin tiềm ẩn, có ích hỗ trợ ra quyết định.
Ví dụ: Sau khi tìm kiếm các văn bản trên Internet về các thông tin sản phẩm,
hệ thống được xây dựng phải khám phá ra các thông tin về sự đánh giá của người
tiêu dùng về sản phẩm đó là “tốt” hay “xấu” hoặc xu hướng mong muốn về sản
phẩm cảu người tiêu dùng.
Nhƣ vậy, phân cụm dữ liệu là phƣơng thức xử lý thông tin nhằm khám phá

mối liên hệ giữa các mẫu dữ liệu bằng cách tổ chức chúng thành các cụm.Hiện nay,
các kỹ thuật phân cụm đã đƣợc ứng dụng rộng rãi trong các ứng dụng nhƣ: nhận
dạng mẫu, xử lý ảnh, nghiên cứu thị trƣờng, trực quan hoá, …Trong nội dung tiếp
theo, khóa luận sẽ đề cập đến các hƣớng phân cụm dữ iệu, đây là phần quan trọng
trong lĩnh vực khai phá dữ liệu.
Các hƣớng giải quyết phân cụm:
Theo [thụy1], có một số cách phân cụm nhƣ sau:
Đồ án tốt nghiệp Trƣờng ĐHDL Hải Phòng
Nguyễn Văn Huy – CT1301 16
- Phương pháp phân cụm theo mô hìnhvà phân vùng (partitioning): Phƣơng
pháp thứ nhất tạo ra các mô hình biểu diễn các cụm; phƣơng pháp thứ hai chỉ đơn
giản là tập hợp các phần tử dữ liệu vào các cụm.
- Phân cụm đơn định và phân cụm xác suất: Trong phân cụm đơn định, mỗi
một phần tử dữ liệu (thông tin trên trang Web) chỉ phụ thuộc vào một cụm. Có thể
xem xét việc gán thông tin d thuộc cụm i nhƣ là việc đặt một giá trị trong mảng hai
chiều Z Boolean Z
d,i
là l. Trong phân cụm xác suất. mỗi phần tử dữ liệu sẽ có xác
suất nào đó đối với mỗi cụm. Trong ngữ cảnh này, Z
d,i
có giá trị là một số thực
trongkhoảng[0,1]. Tức là, giá trị trong bảng là một ánh xạ z: S

S

[0, 1] và các
vector c
i
, làm cực tiểu hóa hoặc cực đại hóa .
- Phân cụm phẳng và phân cụm phân cấp: Phân cụm phẳng chỉ đơn giản là

chia tập dữ liệu thành một số tập con. Còn phân cụm phân cấp tạo ra một cây phân
cấp của các cụm. Việc phân hoạch có thể thực hiện theo hai cách,a) cách thứ nhất
bắt đầu bằng việc cho mỗi mẫu tin vào một cụm của nó và tiến hành kết hợp các
cụm lại với nhau cho đến khi số các cụm là phù hợp, cách này đƣợc gọi là phân cụm
từ dƣới lên (bottom - up). b) Cách thứ hai bắt đầu bằng việc khai báo các cụm
nguyên thủy và sau đó gán các mẫu tin vào các cụm, cách này dƣợc gọi là phân cụm
từ trên xuống (top - down). Nhƣ vậy, có thể xem xét kỹ thuật phân cụm bottom - up
dựa vào quá trình lặp lại việc trộn các cụm tƣơng tự nhau cho đến khi đạt đƣợc sổ
cụm mongmuốn; kỹ thuật phân cụm top - down làm mịn dần bằng cách gán các
mẫu tin vào các cụm đƣợc thiết đặt trƣớc. Kỹ thuật bottom - up thƣờng chậm hơn,
nhƣng có thể đƣợc dùng trộn một tập nhỏ các mẫu có trƣớc để khởi tạo các cụm
nguyên thủy trƣớc khi tiến hành kỹ thuật từ trên xuống.
- Phân cụm theo lô và phân cụm gia tăng: Trong phân theo lô, toàn bộ tập dữ
liệu đƣợc sử dụng để tạo ra các cụm. Trong phân cụm gia tăng. giải thuật phân cụm
lấy từng phần tử dữ liệu và cập nhật các cụm để phân vào cụm thích hợp.
Trong khóa luận này, các mẫu tin đƣợc phân cụm theo các tiêu chí đem vào
tìm kiếm. Nghĩa là, các tiêu chí tìm kiếm bao gồm tên sản phẩm, các thuộc tính của
sản phẩm. Các sản phẩm đƣợc phân loại theo loại sản phẩm. Các loại sản phẩm
Đồ án tốt nghiệp Trƣờng ĐHDL Hải Phòng
Nguyễn Văn Huy – CT1301 17
thuộc một nhóm sản phẩm nào đó. Các tiêu chí này đƣợc gán một mã xác định(mã
tìm kiếm) nhằm phân biệt các tiêu chí khác nhau, dễ dàng cho việc phân cụm.
1.6 TỔ CHỨC LƢU TRỮ THÔNG TIN TÌM KIẾM
Khi có kết quả tìm kiếm các hệ thống cần lƣu trữ theo một định dạng nào đó
để phục vụ các nghiệp vụ tiếp theo. Hiện nay ngƣời ta thƣờng dùng hệ quản trị cơ
sở dữ liệu lớn để lƣu trữ nhƣ: SQL server, MySQL, Postgre, Oracle,… Đặc biệt
hiện nay định dạng XML là một trong những chuẩn dữ liệu đƣợc dùng phổ biến.
Khóa luận này sử dụng hệ quản trị cơ sở dữ liệu SQL server để lƣu trữ.
Dữ liệu khai thác về đƣợc phân loại theo các tiêu chí tìm kiếm, các thông tin
từ các trang web khi lấy về đƣợc đánh mã để phân biệt cho mỗi lần lấy kết quả. Các

thông tin này đƣợc gắn với mã tìm kiếm. Các url chính xác của từng bản tin cũng
đƣợc lƣu trữ để thuận tiện cho việc lấy lại nội dung sau này.
Ví dụ: Lƣu trữ thông tin sau khi tìm kiếm:
WebsiteID
SearchID
Url
Content
97
26
Vanphongphamt2.com

WebsiteID là mã của trang Web chứa bản tin thỏa mãn tiêu chí tìm kiếm có mã
SearchID là 26 (chứa các từ khóa về sản phẩm các loại bút bi) . Thuộc tính Url chứa
địa chỉ của Website có chứa thông tin về bút bi, Thuộc tính Contentchứa các văn
bản về thông tin các loại bút bị có trong Website Vanphongphamt2.com, đôi khi
còn có lẫn các thẻ định dạng HTML của trang Web đó. Dữ liệu này mới chỉ là dữ
liệu thô.
Các bản tin đƣợc nhóm theo mục tiêu tìm kiếm (phụ thuộc vào nội dung của
khóa tìm kiếm) do vậy các bản tin thƣờng chứa các thông tin về một loại sản phẩm
cụ thể.
1.7XỬ LÝ THÔNG TIN
Các bản tin nhận đƣợc từ các máy tìm kiếm đƣợc lƣu trữ trong hệ quản trị cơ
sở dữ liệu SQL Server. Các dữ liệu này đƣợc gọi là dữ liệu thô. Về mặt hình thức
văn bản này đƣợc coi là văn bản phi cấu trúc, trong đó các đối tƣợng đƣợc diễn tả
Đồ án tốt nghiệp Trƣờng ĐHDL Hải Phòng
Nguyễn Văn Huy – CT1301 18
bằng các danh từ và các thuộc tính của đối tƣợng đƣợc mô tả bằng các tính từ, trạng
từ,…
Khi xử lý thông tin đƣợc máy tìm kiếm trả về, dựa vào bộ từ khóa tìm kiếm
SearchKeystrong bảng SearchTable theo hình sau:

SearchID
SearchKeys
ProductID
SearchEngineID
26
Bút + bi + ngoại +
Giá + tiền + Bền +
Rẻ
10
www.google.com
Dữ liệu đƣợc phân cụm theo mã sản phẩm ProductID = 10và các thuộc tính
của sản phẩm này. Hệ thống phân tích các thông tin rồi phân cụm chúng theo các
tiêu chí đƣợc lƣu trong SearchKeys đối với sản phẩm có mã ProductID = 10.

Đồ án tốt nghiệp Trƣờng ĐHDL Hải Phòng
Nguyễn Văn Huy – CT1301 19
CHƢƠNG 2: KHAI PHÁ VÀ TỔNG HỢP DỮ LIỆU
Chƣơng này khóa luận trình bày một số kiến thức cơ bản liên quan đến thống
kê và khai phá dữ liệu, theo đó làm sáng tỏ cách thức tổng hợp thông tin từ các mẫu
tin khai thác đƣợc
2.1 PHÂN CỤM DỮ LIỆU
Phân cụm dữ liệu áp dụng nhiều kiến thức trong các ngành học máy, thống
kê, nhận dạng, … Có rất nhiều khái niệm khác nhau về phân cụm, tuy nhiên có khái
niệm chung nhất về phân cụm [2].
"Phân cụm dữ liệu là một phương pháp trong khai phá dữ liệu, nhằm tìm
kiếm, phát hiện các cụm, các mẫu dữ liệu tự nhiên tiềm ẩn, hấp dẫn trong tập dữ
liệu lớn, từ đó cung cấp thông tin, tri thức hữu ích cho người sử dụng."
Thật vậy, phân cụm dữ liệu là quá trình phân chiatập dữ liệu thành các khần
khác nhau dựa trên một tập các tiêu chí cho trƣớc. Phƣơng pháp phân cụm có thể
đƣợc xác định trƣớc theo kinh nghiệm hoặc có thể đƣợc tự động xác định bằng

phƣơng pháp phân cụm.

Hình2.1:Hình minh họa phân cụm dữ liệu

Ở hình trên, khi áp dụng phƣơng pháp phân cụm dù thủ công hay tự động, sẽ
thu đƣợc các cụm trong đó các phần tử "gần nhau" hay là "tương tự" thì chúng
thuộc về các cụm khác nhau.
Phân cụm dữ liệu phải giải quyết đó là hầu hết các dữ liệu chứa dữ liệu
"nhiễu" (noise) do các bƣớc lấy mẫu chƣa đầy đủ hoặc thiếu chính xác, do đó cần
phải lập kế hoạch chiến lƣợc ngay tại bƣớc tiền xử lý dữ liệu để loại bỏ "nhiễu"
Đồ án tốt nghiệp Trƣờng ĐHDL Hải Phòng
Nguyễn Văn Huy – CT1301 20
trƣớc khi đƣa vào giai đoạn tiếp theo. Khái niệm "nhiễu" đƣợc hiểu là thông tin về
các đối tƣợng chƣa chính xác, hoặc là khuyết thiếu thông tin về một số thuộc tính.
Một trong các kỹ thuật xử lý nhiễu phổ biến là việc thay thế giá trị của các thuộc
tính của đối tƣợng "nhiễu" bằng giá trị thuộc tính tƣơng ứng của đối tƣợng dữ liệu
gần nhất.
Do vậy, phân cụm dữ liệu cần giải quyết một số vấn đề sau:
 Xây dụng hàm tính độ đo tương tự
 Xây dựng tập các tiêu chí phân cụm
 Thiết lập các cấu trúc dữ liệu cho cụm dữ liệu
 Xây dựng thuật toán phân cụm dữ liệu
 Xây dựng hệ thống phân tích và đánh giá kết quả
Ngày nay, chƣa có một phƣơng pháp phân cụm nào có thể giải quyết trọn vẹn
cho tất cả các dạng cấu trúc cụm dữ liệu.
2.2 CÁC ỨNG DỤNG CỦA PHÂN CỤM DỮ LIỆU
Phân cụm dữ liệu đƣợc ứng dụng trong nhiều lĩnh vực kinh tế, y học, thƣơng
mại, khoa học, Các phƣơng pháp phân cụm đƣợc áp dụng cho một số ứng dụng
điển hình trong các lĩnh vực sau:
 Thương mại: Trong thƣơng mại, các hệ thống thông tin áp dụng phƣơng

pháp phân cụm dữ liệu có thể giúp các doanh nhân có đủ thông tin về nhóm
khách hàng quan trọng có các đặc trƣng tƣơng đồng nhau và từ đó ra quyết
định chính xác hơn.
 Khoa học tự nhiên: Các lĩnh vực nhƣ sinh học, môi trƣờng, địa lý, toán
học,… các phƣơng pháp phân cụm giúp cho các nhà nghiên cứu cô lập đƣợc
các thông tin đặc thù của từng đối tƣợng để phục vụ cho nghiên cứu.
 Nghiên cứu trái đất: Phân cụm để theo dõi các hoạt động của các vùng trên
trái đất nhằm cung cấp thông tin cho nhận dạng các vùng nguy hiểm.
 Khai phá dữ liệu Web: Phân cụm dữ liệu có thể khai phá các nhóm dữ liệu có
nhiều ý nghĩa trong môi trƣờng Web, nhƣ khai thác quan điểm ngƣời dùng,
xu hƣớng tiếp cận và giải quyết vấn đề.
Đồ án tốt nghiệp Trƣờng ĐHDL Hải Phòng
Nguyễn Văn Huy – CT1301 21
2.3 CÁC KIỂU DỮ LIỆU VÀ ĐỘ ĐO TƢƠNG TỰ
Khi phân cụm dữ liệu cần có một “thƣớc đo” nào đó để đo các sự vật. Nhƣ
vậy với các đối tƣợng khác nhau thì cần “thƣớc đo” cũng khác nhau. Sau đây là
cách phân lớp dựa trên hai đặc trƣng là: kích thƣớc miền và hệ đo.
Cho một Cơ sở dữ liệuD chứa nphần tử trong không gian k chiều, trong đó
x,y,z là các phần tử thuộc D: x=(x
1
,x
2
, ,x
k
);y=(y
1
,y
2
, ,y
k

);z=(z
1
,z
2
, ,z
k
), trong đó x
i
,
y
i
, z
i
với
ki ,1
là các thuộc tính tƣơng ứng của các đối tƣợng x,y,z. Vì vậy, hai
khái niệm “các kiểu dữ liệu” và “các kiểu thuộc tính dữ liệu” đƣợc xem là tƣơng
đƣơng với nhau, nhƣ vậy, chúng ta sẽ có các kiểu dữ liệu sau [2].
2.3.1 Phân loại các kiểu dữ liệu dựa trên kích thƣớc miền
 Thuộc tính liên tục (Continuous Attribute): Thuộc tính này có miền
giá trị là vô hạn không đếm đƣợc, nghĩa là giữa hai giá trị tồn tại vô số
giá trị khác. Thí dụ nhƣ trƣờng số thực.
 Thuộc tính rời rạc (DiscretteAttribute): Miền giá trị của thuộc tính
này là đếm đƣợc. Thí dụ nhƣ số nguyên.
Lớp các thuộc tính nhị phân là trƣờng hợp đặc biệt của thuộc tính rời rạc mà
miền giá trị của nó chỉ có 2 phần tử đƣợc diễn tả nhƣ:Yes/No hoặc Nam/Nữ,
False/true,…
2.3.2 Phân loại các kiểu dữ liệu dựa trên hệ đo
Giả sử rằng chúng ta có hai đối tƣợng x, y và các thuộc tính x
i

, y
i
tƣơng ứng
với thuộc tính thứ i của chúng. Chúng ta có các lớp kiểu dữ liệu nhƣ sau:
 Thuộc tính định danh(nominal Scale): đây là dạng thuộc tính khái
quát hoá của thuộc tính nhị phân, trong đó miền giá trị là rời rạc
không phân biệt thứ tự và có nhiều hơn hai phần tử - nghĩa là nếu x và
y là hai đối tƣợng thuộc tính thì chỉ có thể xác định là x

y hoặc x=y.
Thí dụ nhƣ thuộc tính về nơi sinh hoặc thuộc tính các đội bóng chơi
cho giải vô địch quốc gia Việt Nam.
 Thuộc tính có thứ tự (Ordinal Scale): là thuộc tính định danh có thêm
tính thứ tự, nhƣng chúng không đƣợc định lƣợng. Nếu x và y là hai
thuộc tính thứ tự thì ta có thể xác định là x

y hoặc x=y hoặc x>y
hoặc x<y. Thí dụ nhƣ thuộc tính Huy chương của vận động viên thể
thao.
Đồ án tốt nghiệp Trƣờng ĐHDL Hải Phòng
Nguyễn Văn Huy – CT1301 22
 Thuộc tính khoảng (Interval Scale): Nhằm để đo các giá trị theo xấp
xỉ tuyến tính. Với thuộc tính khoảng, chúng ta có thể xác định một
thuộc tính là đứng trƣớc hoặc đứng sau thuộc tính khác với một
khoảng là bao nhiêu. Nếu x
i
>y
i
thì ta nói x cách y một khoảng x
i

– y
i

tƣơng ứng với thuộc tính thứ i. Một thí dụ về thuộc tính khoảng nhƣ
thuộc tính số Serial của một đầu sách trong thƣ viện hoặc thuộc tính
số kênh trên truyền hình.
 Thuộc tính tỉ lệ (Ratio Scale): là thuộc tính khoảng nhƣng đƣợc xác
định một cách tƣơng đối so với điểm mốc đầy ý nghĩa, thí dụ như
thuộc tính chiều cao hoặc cân nặng lấy điểm 0 làm mốc.
Trong các thuộc tính dữ liệu trình bày ở trên, thuộc tính định danh và thuộc tính
có thứ tự gọi chung là thuộc tính hạng mục (Categorical), trong khi đó thì thuộc tính
khoảng và thuộc tính tỉ lệ đƣợc gọi là thuộc tính số (Numeric).
Ngƣời ta còn đặc biệt quan tâm đến dữ liệu không gian (Spatial Data). Đây là
loại dữ liệu có các thuộc tính số khái quát trong không gian nhiều chiều, dữ liệu
không gian mô tả các thông tin liên quan đến không gian chứa đựng các đối tƣợng,
thí dụ nhƣ thông tin về hình học,… Dữ liệu không gian có thể là dữ liệu liên tục
hoặc rời rạc:
 Dữ liệu không gian rời rạc: có thể là một điểm trong không gian nhiều chiều và
cho phép ta xác định đƣợc khoảng cách giữa các đối tƣợng dữ liệu trong không
gian.
 Dữ liệu không gian liên tục: bao chứa một vùng trong không gian.
Thông thƣờng, các thuộc tính số đƣợc đo bằng các đơn vị xác định nhƣ là
kilogams hay là centimeter. Tuy nhiên, các đơn vị đo có ảnh hƣởng đến các kết quả
phân cụm. Thí dụ nhƣ thay đổi độ đo cho thuộc tính cân nặng từ kilogams sang
Pound có thể mang lại các kết quả khác nhau trong phân cụm. Để khắc phục điều
này ngƣời ta phải chuẩn hoá dữ liệu, tức là sử dụng các thuộc tính dữ liệu không
phụ thuộc vào đơn vị đo. Thực hiện chuẩn hoá phụ thuộc vào ứng dụng và ngƣời
dùng, thông thƣờng chuẩn hoá dữ liệu đƣợc thực hiện bằng cách thay thế mỗi một
thuộc tính bằng thuộc tính số hoặc thêm các trọng số cho các thuộc tính.
2.4 CÁC YÊU CẦU CẦN THIẾT CHO TẠO DỤNG KỸ THUẬT PCDL

Dựa vào mục đích của ứng dụng thực tế hoặc yêu cầu về chất lƣợng số liệu
mà các phƣơng pháp phân cụm có thể khác nhau. Đây là bƣớc quan trọng cho việc
Đồ án tốt nghiệp Trƣờng ĐHDL Hải Phòng
Nguyễn Văn Huy – CT1301 23
giải quyết vấn đề phân cụm. Các phƣơng pháp đều thóa mãn tiêu chuẩn chung nhƣ
sau:
 Có khả năng mở rộng (Scalability): Một số thuật toán có thể ứng dụng tốt cho
tập dữ liệu nhỏ ( khoảng 200 bản ghi dữ liệu ) nhƣng không hiệu quả khi áp
dụng cho tập dữ liệu lớn (Khoảng 1 triệu bản ghi).
 Thích nghi với các kiểu dữ liệu khác nhau: Thuật toán có thể áp dụng hiệu quả
cho việc phân cụm các tập dữ liệu với nhiều kiểu dữ liệu khác nhau nhƣ dữ liệu
kiểu số, kiểu nhị phân, dữ liệu kiểu hạng mục, và thích nghi với kiểu dữ liệu
hỗn hợp giữa các dữ liệu đơn trên.
 Khám phá ra các cụm với hình thù bất kỳ: do hầu hết các CSDL có chứa nhiều
cụm dữ liệu với các hình thù khác nhau nhƣ: hình lõm, hình cầu, hình que, …Vì
vậy, để khám phá đƣợc các cụm có tính tự nhiên thì các thuật toán phân cụm
cần phải có khả năng khám phá ra các cụm có hình thù bất kỳ.
 Tối thiểu lượng tri thức cần cho xác định các tham số vào: do các giá trị đầu
vào thƣờng rất ảnh hƣởng đến thuật toán phân cụm và rất phức tạp để xác định
các giá trị vào thích hợp đối với các CSDL lớn.
 Ít nhạy cảm với thứ tự của dữ liệu vào: Cùng một tập dữ liệu, khi đƣa vào xử lý
cho thuật toán PCDL với các thứ tự vào của các đối tƣợng dữ liệu ở các lần thực
hiện khác nhau thì không ảnh hƣởng lớn đến kết quả phân cụm.
 Khả năng thích nghi với dữ liệu nhiễu cao: Hầu hết các dữ liệu phân cụm trong
Data Mining đều chứa đựng các dữ liệu lỗi, dữ liệu không đầy đủ, dữ liệu rác.
Thuật toán phân cụm không những hiệu quả đối với các dữ liệu nhiễu mà còn
tránh dẫn đến chất lƣợng phân cụm thấp do nhạy cảm với nhiễu.
 Ít nhạy cảm với các tham số đầu vào: Nghĩa là giá trị của các tham số đầu vào
khác nhau ít gây ra các thay đổi lớn đối với kết quả phân cụm.
 Thích nghi với dữ liệu đa chiều: Thuật toán có khả năng áp dụng hiệu quả cho

dữ liệu có số chiều khác nhau.
 Dễ hiểu, cài đặt và khả dụng.
Các yêu cầu này đồng thời là các tiêu chí để đánh giá hiệu quả của các phƣơng
pháp phân cụm dữ liệu, đây là các thách thức cho các nhà nghiên cứu trong lĩnh vực
PCDL. Các yêu cầu này sẽ đƣợc đề cập đến cụ thể hơn khi đi vào khảo cứu chi tiết
một số thuật toán PCDL đƣợc trình bày ở các chƣơng sau.
Đồ án tốt nghiệp Trƣờng ĐHDL Hải Phòng
Nguyễn Văn Huy – CT1301 24
2.5 MỘT SỐ THUẬT TOÁN PHÂN CỤM DỮ LIỆU ĐIỂN HÌNH
Có rất nhiều thuật toán đƣợc áp dụng trong phân cụm dữ liệu. Do đo trong
phần này khóa luận trình bày một số thuật toán cơ bản, rất kinh điển trong phân
cụm dữ liệu. Các thuật toán này đƣợc chia thành các họ thuật toán: Họ các thuật
toán phân cụm phân hoạch (Patitional), họ các thuật toán phân cụm phân cấp
(Hierachical), họ các thuật toán phân cụm dựa trên lƣới và các thuật toán PCDL đặc
thù khác nhƣ: các thuật toán phân cụm dựa trên mật độ, các thuật toán phân cụm
dựa trên mô hình,…
2.5.1 Họ các thuật toán phân hoạch
Họ các thuật toán phân cụm phân hoạch bao gồm các thuật toán đề xuất đầu
tiên trong lĩnh vực Data Mining cũng là các thuật toán đƣợc áp dụng nhiều trong
thực tế nhƣ k-means, PAM (Partioning Around Medoids), CLARA (Clustering
LARge Applications), CLARANS (Clustering LARge ApplicatioNS). Trƣớc hết
chúng ta đi khảo cứu thuật toán k-means, đây là một thuật toán kinh điển đƣợc kế
thừa sử dụng rộng rãi.
2.5.1.1 Thuật toán k-means
Thuật toán phân hoạch K-means do MacQeen đề xuất trong lĩnh vực thống kê
năm 1967, mục đích của thuật toán k-means là sinh ra k cụm dữ liệu {C
1
, C
2
, …,C

k
}
từ một tập dữ liệu chứa n đối tƣợng trong không gian d chiều X
i
= (x
i1,
x
i2
, …, x
id
) (
ni ,1
), sao cho hàm tiêu chuẩn:




k
i
x
i
C
xE
i
m
D
1
2
)(
đạt giá trị tối thiểu.

Trong đó:m
i
là trọng tâm của cụm C
i,
D là khoảng cách giữa hai đối tƣợng.
Trọng tâm của một cụm là một véc tơ, trong đó giá trị của mỗi phần tử của nó
là trung bình cộng của các thành phần tƣơng ứng của các đối tƣợng vectơ dữ liệu
trong cụm đang xét. Tham số đầu vào của thuật toán là số cụm k, và tham số đầu ra
của thuật toán là các trọng tâm của các cụm dữ liệu. Độ đo khoảng cách D giữa các
đối tƣợng dữ liệu thƣờng đƣợc sử dụng dụng là khoảng cách Euclide, bởi vì đây là
mô hình khoảng cách dễ để lấy đạo hàm và xác định các cực trị tối thiểu. Hàm tiêu
chuẩn và độ đo khoảng cách có thể đƣợc xác định cụ thể hơn tuỳ vào ứng dụng
Đồ án tốt nghiệp Trƣờng ĐHDL Hải Phòng
Nguyễn Văn Huy – CT1301 25
hoặc các quan điểm của ngƣời dùng. Thuật toán k-means bao gồm các bƣớc cơ bản
nhƣ sau:
InPut: Số cụm k và các trọng tâm cụm {m
j
}
k
j=1
;
OutPut: Các cụm C
i
(
ki ,1
) và hàm tiêu chuẩn E đạt giá trị tối thiểu;
Begin
Bƣớc 1: Khởi tạo:
Chọn k trọng tâm {m

j
}
k
j=1
ban đầu trong không gian R
d
(d là số chiều của
dữ liệu) . Việc lựa chọn này có thể là ngẫu nhiên hoặc theo kinh nghiệm.
Bƣớc 2: Tính toán khoảng cách:
Đối với mỗi điểm Xi (1<=i<=n), tính toán khoảng cách của nó tới mỗi
trọng tâm mj j=1,k. Và sau đó tìm trọng tâm gần nhất đối với mỗi điểm.
Bƣớc 3: Cập nhật lại trọng tâm:
Đối với mỗi j=1,k, cập nhật trọng tâm cụm mj bằng các xác định trung
bình cộng của các vectơ đối tƣợng dữ liệu.
Bƣớc 4: Điều kiện dừng
Lặp các bƣớc 2 và 3 cho đến khi các trọng tâm của cụm không thay đối.
End.
Hình sau minh họa về một số hình dạng cụm dữ liệu khám phá đƣợc bởi k-
means:

Hình2.2: Hình dạng cụm dữ liệu khám phá được bởi k-means

2.5.1.2 Thuật toán CLARA
CLARA (Clustering LARge Application) đƣợc Kaufman đề xuất năm 1990,
thuật toán này nhằm khắc phục nhƣợc điểm của thuật toán PAM trong trƣờng hợp
giá trị của k và n là lớn. CLARA tiến hành trích mẫu cho tập dữ liệu có n phần tử,
nó áp dụng thuật toán PAM cho mẫu này và tìm ra các các đối tƣợng tâm medoid
cho mẫu đƣợc trích từ dữ liệu này. Ngƣời ta thấy rằng, nếu mẫu dữ liệu đƣợc trích
theo cách ngẫu nhiên, thì các medoid của nó xấp xỉ với các medoid của toàn bộ tập
dữ liệu ban đầu. Để tiến tới một xấp xỉ tốt hơn, CLARA đƣa ra nhiều cách lấy mẫu

và thực hiện phân cụm cho mỗi trƣờng hợp và tiến hành chọn kết quả phân cụm tốt